Dinamiskā Hamiltona Monte Karlo metode
Dinamiskā Hamiltona Monte Karlo metode — plaši pazīstama kā No-U-Turn Sampler (NUTS) — ir Hamiltona Monte Karlo metodes adaptīvs paplašinājums, kas automātiski izvēlas lēkšķerīgo integrācijas soļu skaitu katram MCMC pārejas solim, tādējādi novēršot nepieciešamību manuāli pielāgot standarta HMC visjutīgāko parametru. Tā ir noklusējuma paraugu ģenerators Stan un PyMC un ir piemērota nepārtrauktām, diferencējamām aizmugures sadalījumiem vidējā un augstā dimensijā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Hoffman, M. D. & Gelman, A. (2014). The No-U-Turn Sampler: Adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 15(1), 1593–1623. link ↗
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113–162). CRC Press. ISBN: 978-1420079418
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler). ScholarGate. https://scholargate.app/lv/bayesian/dynamic-hamiltonian-monte-carlo
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Beijesiskā regresijaBajesa metodes↔ salīdzināt
- Gibbs SamplingBajesa metodes↔ salīdzināt
- Hamiltona MontekarloBajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
- Variacionālā secinājumiBajesa metodes↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →